Redes Neuronales

¿Qué es una Red Neuronal?

Las Redes Neuronales son un campo muy importante dentro de la Inteligencia Artificial. Inspirándose en el comportamiento conocido del cerebro humano (principalmente el referido a las neuronas y sus conexiones), trata de crear modelos artificiales que solucionen problemas difíciles de resolver mediante técnicas algorítmicas convencionales. 

En esta página web trataremos de acercar al visitante a este tema, mostrando las bases neurológicas y matemáticas, los principales modelos vigentes y ejemplos interactivos que solucionan algunos problemas de forma eficaz.

Arquitectura de una Red Neuronal
Se puede estructurar de diferentes formas:

I. Según el número de capas

• Redes neuronales monocapas: Se corresponde con la red neuronal más sencilla ya que se tiene una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan diferentes cálculos.
• Redes neuronales multicapa: Es una generalización de la anterior existiendo un conjunto de capas intermedias entre la entrada y la salida (capas ocultas). Este tipo de red puede estar total o parcialmente conectada. Es una generalización de la anterior existiendo un conjunto de capas intermedias entre la entrada y la salida (capas ocultas). Este tipo de red puede estar total o parcialmente conectada. 

II. Según el tipo de conexiones

• Redes neuronales no recurrentes: En esta red la propagación de las señales se produce en un sentido solamente, no existiendo la posibilidad de realimentaciones. Lógicamente estas estructuras no tienen memoria. 
• Redes neuronales recurrentes: Esta red viene caracterizada por la existencia de lazos de realimentación. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma capa o, más sencillamente, entre una misma neurona. Esta estructura estudia principalmente la dinámica de sistemas no lineales 

III. Según el grado de conexión

• Redes neuronales totalmente conectadas: En este caso todas las neuronas de una capa se encuentran conectadas con las de la capa siguiente (redes no recurrentes) o con las de la anterior (redes recurrentes). 
• Redes parcialmente conectadas: En este caso no se da la conexión total entre neuronas de diferentes capas. 

Estas estructuras neuronales se podrían conectar entre sí para dar lugar a estructuras mayores: estamos en el nivel de la mesoestructura. Esta conexión se puede llevar a cabo de diferentes formas siendo las más usuales las estructuras en paralelo y jerárquicas. En la primera estructura se plantea un “consenso” entre las diferentes redes para obtener la salida mientras que en la estructura jerárquica existen redes subordinadas a otras que actúan como elementos centrales en la salida final de la red.

IV. Tipos de redes neuronales

• Perceptron Simple 
• Perceptron Multicapa 
• Red de Hopfield 
• Red neuronal Competitiva Simple 
• Redes neuronales Online ART1 
• Redes neuronales competitivas ART2 
• Redes neuronales autoorganizadas: Mapas de Kohonen 
• Redes incrementales 

V. Ventajas

Las redes neuronales poseen muchas ventajas teniendo en cuenta que están basadas en la estructura del sistema nervioso principalmente el cerebro, entre ella se encuentran: 

• Aprendizaje: Las redes neuronales tienen la capacidad de aprender a realizar tareas basadas en un entrenamiento o una experiencia inicial. 
• Auto organización: Crea su propia organización o representación de la información en su interior que recibe mediante una etapa de aprendizaje. 
• Tolerancia a fallos: Debido a que una red neuronal almacena la información de forma redundante, ésta puede seguir respondiendo de manera aceptable, incluso sufriendo un gran daño. 
• Flexibilidad: Una red neuronal puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada. 
• Tiempo real: La estructura de una red neuronal es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.